IJCAIApr, 2016

学习预测模型中部署成本与准确性的权衡

PDF
TL;DR提出了一种基于多层布尔电路的设计成本敏感的规则化器的新框架，旨在解决医疗等领域中的风险预测问题，并在应用于重症监护病房中脓毒症的风险预测等复杂领域时，该规则化器可以在精确捕获底层成本结构的同时以极佳的准确度与成本权衡提供模型预测效果。
发现论文，激发创造
  • 一种结构预测的一致性正则化方法

    我们提出并分析了一种规则化方法，用于结构化预测问题。我们表征了一大类损失函数，允许在线性空间中自然地嵌入结构化输出。我们利用这一事实设计了学习算法，使用代理损失方法和规则化技术。我们证明了所提出的方法的普遍一致性和有限样本边界，表征了所提出方法的泛化性能。我们提供了实验结果，证明了所提出方法的实用性。

    May, 2016

  • 神经符号熵正则化

    本文介绍了一种统一 neuro-symbolic 和 entropy regularization 的框架，并提出了一种神经符号熵正则化损失函数，用于半监督和全监督结构化预测实验中的有效性测试。

    Jan, 2022

  • 机会式学习：来自数据流的有限成本敏感学习

    本研究提出了一种基于强化学习和 MC dropout 采样方法的在线成本敏感特征获取方案，该方案可适用于流式学习的场景，测试结果表明该方案能够有效地获取特征并做出准确预测。

    Jan, 2019

  • 噪音金融数据的保守预测

    金融市场的价格波动被认为非常嘈杂，为减少风险并提高结果，我们采用了基于机器学习算法的模型集成方法，通过学习一系列模型并在测试时对数据进行修剪，预测固定期限收益。这种方法有望在更低的风险水平下获得更好的整体回报。

    Oct, 2023

  • 面向安全应用的成本感知鲁棒树集成

    该论文提出了一种基于成本驱动的约束来训练鲁棒性决策树模型的成本建模方法，在 Twitter 垃圾邮件检测等场景中显示出比现有方法更高的准确性、更低的误报率和更强的成本感知鲁棒性。

    Dec, 2019

  • 在过度参数化模型中表征标记数据的结构规律

    该论文分析了神经网络模型对个别实例的处理方式，通过一致性得分来表征模型的预期准确度，并使用采样自数据分布的不同大小的训练集对多个数据集中的个别实例进行了实证估计，从而确定模型处理模式与模式的一致性，该方法可应用于分析深度学习系统中的过分拟合问题。

    Feb, 2020

  • 因果正则化

    该研究使用因果正则化方法来提高预测模型的因果可解释性，针对大规模的电子健康记录数据进行了分析，结果显示相较于 L1 正则化模型在因果准确性方面表现出色且有竞争力的预测性能，并提高了多层感知器在探测多元因果关系上的表现约 20%。

    Feb, 2017

  • 用公开的医疗保健数据构建医疗费用预测模型

    利用机器学习技术基于患者诊断和人口统计学数据构建预测模型，并使用决策树方法进行预测，其结果优于先前研究的类似问题报告的结果，因此有望降低医疗保健成本。

    Apr, 2023

  • 程序阶段的模型复杂度

    在资源受限的计算系统中，序列预测模型必须在严格约束下运行。我们提出了一种理论和相关的实证方法，探索一种特定类型机器学习模型（如深度神经网络）的成本与预测质量之间的权衡空间，以增加对资源受限任务模型的理论和实践限制的认识。

    Oct, 2023

  • 分布自由预测中多个风险之间的数据自适应权衡

    决策流程中的权衡、不确定性量化方法、风险控制、数值实验

    Mar, 2024